DeepONet-assisted angle-resolved scatterometry for sub-nanometre in situ metrology of nanowire geometry
Dieses Paper präsentiert ein DeepONet-gestütztes winkelaufgelöstes Streuometrie-Framework, das Operator-Learning zur Spektralkorrektur, Partikelschwarmoptimierung für die RCWA-Inversion und SAM-gestützte SEM-Validierung integriert, um eine Sub-Nanometer-Präzision bei der In-situ-Metrologie der Geometrie von Si-dotierten GaN-Nanodrähten zu erreichen.
Originalarbeit lizenziert unter CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). Dies ist eine KI-generierte Erklärung des untenstehenden Papers. Sie wurde nicht von den Autoren verfasst oder gebilligt. Für technische Genauigkeit konsultieren Sie das Originalpaper. Vollständigen Haftungsausschluss lesen
In der Welt der modernen Elektronik verlassen sich die fortschrittlichsten Chips auf winzige Strukturen, die Nanodrähte genannt werden. Dies sind nicht die dicken Drähte, wie man sie bei einer Haushaltslampe findet, sondern schlanke Säulen aus Halbleitermaterial, die so dünn sind, dass hunderte davon nebeneinander auf die Breite eines menschlichen Haares passen würden. Um diese Drähte funktionsfähig zu machen, züchten Wissenschaftler sie in einer Vakuumkammer mit einer Technik namens Molekularstrahlepitaxie. Dieser Prozess ist wie ein Hochpräzisionsofen, in dem Atome von Gallium, Stickstoff und Silizium auf eine heiße Oberfläche geschossen werden, wo sie aneinanderhaften, um die Drähte Schicht für Schicht aufzubauen. Die Herausforderung besteht darin, dass diese Drähte unglaublich empfindlich sind. Eine winzige Verschiebung der Temperatur oder eine geringfügige Änderung der Menge des hinzugefügten Siliziums kann ihre Form, Größe und ihre elektrische Leitfähigkeit verändern. Wenn die Drähte nicht die richtige Größe haben, werden die aus ihnen gebauten Geräte versagen. Jahrzehntelang haben Wissenschaftler darum gekämpft, diese Drähte zu messen, während sie noch wachsen. Traditionelle Methoden erfordern es, die Probe aus der Kammer zu nehmen, um sie unter einem leistungsstarken Elektronenmikroskop zu betrachten, aber bis dahin ist der Wachstumsprozess bereits abgeschlossen, und etwaige Fehler können nicht mehr korrigiert werden.
Ein Team von Forschern hat eine neue Methode entwickelt, um diese Nanodraht-Arrays mit extremer Präzision zu messen, während sie sich noch innerhalb der Wachstumskammer befinden, ohne sie dabei jemals zu berühren. Sie entwickelten ein System, das Licht nutzt, um die Form der Drähte in Echtzeit zu „sehen“. Anstatt ein Foto zu machen, strahlt das System einen Lichtstrahl auf die wachsenden Drähte und erfasst das Muster des Lichts, das zurückgestreut wird. Da die Drähte so klein sind, streuen sie das Licht auf eine ganz spezifische Weise, die ausschließlich von ihrem Durchmesser und ihrer Höhe abhängt. Die Forscher nennen dies winkelaufgelöste Streuometrie. Das Problem ist, dass die von der Kamera erfassten rohen Lichtmuster nicht mit den perfekten mathematischen Modellen übereinstimmen, die Wissenschaftler verwenden, um vorherzusagen, wie sich Licht verhalten sollte. Die reale Welt ist unordentlich; Unvollkommenheiten in den Linsen und den Materialien führen zu einer Lücke zwischen dem, was gemessen wird, und dem, was die Computermodelle erwarten. Diese Diskrepanz macht es normalerweise unmöglich, die Abmessungen der Drähte genau zu berechnen.
Um diese Lücke zu schließen, führten die Forscher ein kluges Software-Tool ein, das auf einer Art künstlicher Intelligenz namens DeepONet basiert. Betrachten Sie dieses Tool als einen Übersetzer, der lernt, die unordentlichen, realen Lichtmuster in ein sauberes, idealisiertes Format umzuwandeln, das die Computermodelle verstehen können. Das System erfasst zuerst das von den Nanodrähten gestreute Licht und wandelt es in ein Spektrum um, was im Wesentlichen ein Graph ist, der zeigt, wie viel Licht in verschiedenen Winkeln reflektiert wird. Die DeepONet-Software nimmt diesen Graphen und korrigiert ihn, indem sie die experimentellen Fehler glättet und mit den theoretischen Vorhersagen in Einklang bringt. Sobald das Lichtmuster korrigiert ist, verwendet das System einen Suchalgorithmus, um den exakten Durchmesser und die exakte Höhe zu finden, die dieses spezifische Muster erzeugen würden. Es testet Millionen von möglichen Kombinationen aus Größe und Höhe, bis es diejenige findet, die perfekt zu den korrigierten Lichtdaten passt.
Um zu beweisen, dass diese Methode tatsächlich funktioniert, benötigte das Team eine Möglichkeit, ihre Ergebnisse gegen die Wahrheit zu prüfen. Sie bauten ein separates, automatisiertes System, um Bilder zu analysieren, die nach Abschluss des Wachstums mit einem Elektronenmikroskop aufgenommen wurden. Dieses System nutzte ein leistungsstarkes Bilderkennungsmodell, um tausende einzelner Nanodrähte in den Fotos zu identifizieren und deren Größen automatisch zu messen. Durch den Vergleich der Messungen, die das lichtbasierte System während des Wachstums vornahm, mit den Messungen des Elektronenmikroskops nach dem Wachstum, konnten sie sehen, wie genau ihre neue Methode war. Die Ergebnisse waren bemerkenswert präzise. Für den Durchmesser der Drähte wich ihr System im Durchschnitt nur um 0,22 Nanometer ab. Für die Höhe war der Fehler sogar noch geringer, nämlich nur 0,12 Nanometer. Um dies einzuordnen: Ein einzelner Nanometer ist ein Milliardstel Meter; der Fehler in ihrer Messung ist kleiner als die Breite eines einzigen Atoms.
Die Forscher testeten diesen Rahmen an einem Satz von Nanodraht-Proben, die der Computer während seines Trainings noch nie gesehen hatte. Selbst mit diesen völlig neuen Proben behielt das System seine hohe Genauigkeit bei. Dies deutet darauf hin, dass die Methode nicht nur spezifische Muster auswendig lernt, sondern eine allgemeine Regel gelernt hat, um Licht in Form zu übersetzen. Die Studie zeigt, dass es möglich ist, das Wachstum dieser empfindlichen Strukturen mit Sub-Nanometer-Präzision in Echtzeit zu überwachen. Diese Fähigkeit könnte es Ingenieuren ermöglichen, die Wachstumsbedingungen sofort anzupassen, falls sich ein Draht fehlerhaft zu bilden beginnt, um sicherzustellen, dass jeder produzierte Chip perfekt ist. Durch die Kombination von fortschrittlicher Optik, künstlicher Intelligenz und strenger Validierung hat das Team ein schwieriges optisches Rätsel in ein zuverlässiges Werkzeug für die Zukunft der Halbleiterfertigung verwandelt.
Ertrinken Sie in Arbeiten in Ihrem Fachgebiet?
Erhalten Sie tägliche Digests der neuesten Arbeiten passend zu Ihren Forschungsbegriffen — mit technischen Zusammenfassungen, in Ihrer Sprache.